一篇文章是如何被推荐到你眼前的？

笔者以独特的角度入手，以一篇文章自白的角度讲述了个性化推荐的功能逻辑。

“hi，我是魏无羡，我出生后被送到一个内容库，在这里遇到了很多师兄弟，在一个个黑盒子里，我们身上被打上了N个不同的标签来表明我们的出生地、武功高低、门派风格等等，经过各种试炼检验，有些师兄弟被淘汰了，而我顺利通过了审核进入下发环节。我依靠着一身武艺和好的身世背景，顺利进入尖子班，并在每一阶梯流量中脱颖而出。”

现代人每天都在接触个性化推荐，例如常刷的今日头条、腾讯新闻、抖音等APP。

个性化推荐是特定场景下人和信息更有效率的连接，粗颗粒度理解就是断物识人：左边是内容（断物），右边是用户（识人），中间通过推荐引擎链接两者，追求的是一种高效连接。

在开篇的自白里，高质量下发的核心：识别蓝忘机爱的是魏无羡，并且把魏无羡推给他。

魏无羡：我经历的各种“黑盒子”——内容库

各式各样的黑盒子，都是为了建立人机结合的用户喜爱的高质量内容生成系统，这个实时、高效的系统需要具备哪些特征？

能够持续发掘“高质量”内容；

能够持续发掘用户兴趣；

能够给用户发送感兴趣的“高质量”内容。

个性化推荐从一个好的内容库开始（第一个黑盒子），目的是为个性化推荐提供精准的内容数据基础，为了创造一个好的内容库，要做哪些工作？

总地来说，是把不能分发或影响体验的内容剔除：

硬质量过滤：如排版错误、言之无物等

低俗色情过滤

敏感恶心过滤

高度一致过滤

政审安全过滤

推荐优化：标题、图片、正文等优化

其他

除了部分运营内容外，推出的内容基本来自内容库，内容的质量奠定了个性化推荐的基调。内容库里的内容根据一定规则形成内容候选，机器就开始挑内容进行后续的个性化推荐。

魏无羡奔向的蓝忘机长啥样？ ——用户画像

如果你介绍一位朋友，在不同的场合，你也许会有不同的介绍方法。

• 在公司，你会介绍他是一位牛逼的开发大大；
• 在球场，你会介绍他是北大的流川枫；
• 在相亲局，你会介绍他是你“两眼泪汪汪”的同乡。

正是因为事物具有多面性和复杂性的特点，不是一两个词就能概括全的。标签实质上是我们对多维事物的降维理解，抽象出事物更具有表意性、更为显著的特点，所以需要有针对性的投射，以换取信息匹配效率最大化。

用户画像根据用户自然属性、社会属性、阅读习惯和线上行为等信息抽象出的一个标签化的用户模型，常用于用户数据化、个性化推荐、各大业务支撑等等。简单概括为“他是谁”，“他喜欢什么”，为个性化推荐提供丰富而精准的用户画像。

资讯推荐的用户画像一般会分为长期画像和短期画像，前者为离线处理，后者为在线处理。

• 长期画像：是一段时间内的行为+用户自主选择或填写的画像+外部渠道补充的画像等，相对稳定。
• 短期画像：是近几天的行为（例如近7天内点击的100条item），受时间衰减影响较大。
• 综合画像：是以上两者融合。

用户画像的建立更像一门统计学，在处理数据的时候有些关注点：

• 噪音处理：如热门事件会有恶意噪声
• 时间衰减：自建短期模型，新动作提高权重
• 反向惩罚：如曝光未点击进行惩罚
• 归一化：使计算结果具有可比性
• 其他

除了用户在APP的阅读行为，完善用户画像还有哪些路径？

• 外部渠道数据（渠道、唤醒物料、矩阵画像、APPlist等）；
• 借助产品设计（如新手引导的兴趣预选）；
• 借助运营活动（如支付宝活动收集好友关系）。

画像优化如何评估？

以下指标可供参考：

• 画像覆盖率、人均画像个数；
• 画像准确率：离线人工评估->在线abtest（点击率、时长等指标）。

关于用户画像，还有一点需要了解：不是有了用户画像，便能驱动和提高业务，而是为了驱动和提高业务，才需要用户画像。

蓝忘机还记得魏三岁的好吗？——NLP

蓝忘机已有画像，魏无羡的标签怎么打？也就是机器怎么做？

资讯推荐常见的标签有：分类（CATEGORY）、兴趣点（POI）、关键词（TAG）、主题（TOPIC），颗粒度由小到大：KEYWORD<TAG<POI<TOPIC<CATEGORY。

KEYWORD

思路：与文章关联度越高，出现频次越高，与别的词关联度越高，其重要度就越高。

算法：tfidf，textrank，embedding。

TAG

思路：人工标注（行业知识库）、机器候选

算法：分词+关键词提取+词典匹配（保留命名实体）

POI

思路：人工整理基于关键词的实体兴趣点（POW，如：彩票）+概念兴趣点（POC，如：财经）

算法：分词+关键词抽取+词典匹配

TOPIC

思路：隐式主题，粒度比分类细

算法：机器无监督学习，聚簇，难点是数据预处理 + 调参

CATEGORY

思路：（有监督）机器学习模型或深度学习模型

其他：资讯类APP的分类，少则几十，多则上百，层级多为2-5级，应用分类时必须考虑分类权威性和信息完备性问题，避免因为子节点覆盖不全或分类错误导致的认知问题。

过往标签推荐较多，现在更多尝试向量化（embedding）推荐，即把特征表征为多维向量，可通过距离衡量语义相关性，YouTube的视频推荐率先实践。

给想了解深度学习（Deep Learning）的产品汪推荐《Deep Learning with Python》[美]弗朗素瓦·肖莱 著，阅读第一章即可（毕竟是一本开发教程书），详见下一篇推送。

通过所有特征标注，魏无羡随千军万马过独木桥 ——召回

打上标签的内容一起涌来，机器怎么挑？在召回环节，通过索引，几十个召回模块一共召回几千条内容，各召回模块的召回条数有限制，例如本地召回限制最多召回30条内容，召回的内容会根据一定条件（例如CTR、篇均时长、互动指标等）排序后截断，所有召回模块召回的内容汇总到一块，成为一个初步的候选集。

这些召回模块都有他自己存在的理由，例如根据地理位置的召回、根据分类兴趣的召回、根据关键词的召回、根据热议度的召回等等，都是产品经理或开发的想法的一种尝试，大致可分为四类：

1. 兴趣

• 基于内容及用户模型进行推荐；
• 基于订阅收藏等互动行为进行推荐。

2. 协同

• 基于内容：内容的协同
• 基于用户：用户的协同
• 基于用户：内容的协同

3. 热门

• 流量热门推荐：用户行为表现热门的内容；
• 事件热门推荐：最近发生的热搜事件。

4. 本地

• 本地内容推荐；
• 地域内容推荐。

产品汪基于业务需求，在召回模块的探索有：增减召回模块、召回模块逻辑/效果优化、调整召回条数配额。

此类abtest除了关注整体指标外，还需要关注对召回模块的影响：

召回过后会有一个小的过滤环节，主要是一些拉黑过滤，重复过滤等等，把一些不能推或影响体验的内容过滤掉。此环节的过滤和索引前内容候选的过滤不同，前者是具有普适性的过滤（例如低点击过滤、过期过滤等），后者和用户的行为、属性有关。

尖子生魏无羡重新加持，开始 CTR PK 环节——排序

排序环节关注三个词：模型、特征和权重。

模型：如LR、XGBoost等，单模型或多模型融合都有可能。

特征：一般有几百个，如分类、兴趣点、阅读时长、阅读速度等等，应有尽有，只怕你想不到。

权重：特征之间相互PK，权重高的特征对排序结果影响较大，权重可以是机器学习的自然结果，也可能是人工干预的结果。

所以CTR工程师的工作就是选择模型、采样数据优化、增删特征和调参，字少事大的又一典型。

奔向蓝忘机之前，魏无羡还要过一道人工坎——重排

重排环节主要处理一些业务规则。例如视频推荐占比不超过60%、第2个位置固定出运营内容、相同兴趣点新闻黏连不能超过3条等等，都需要在重排环节处理，这块代码是开发最不忍直视。

规则是最快的上线生效途径，可以用于纠偏、提权等操作。例如，希望增加视频推荐，一开始可在重排环节强出视频（召回环节简单做），保证视频的曝光增多，abtest验证加入视频推荐可行后，再从内容池、召回等环节精细化开发，走一个较长的排期。

总地来说，短期的人工干预应该逐步被长期的机制所替换。过多的“补丁”会严重增加系统的复杂度，降低可理解性。所以更建议优化召回模块优先于排序模块，因为修改召回模块扩充候选集能拥有更多可能性；而主观修改排序模块则极有可能损失公平，降低效率。

Happy Ending

最终下发8-12条，魏无羡奔向屏幕前的蓝忘机，有情人点击阅读，终成眷属。

有的人觉得个性化推荐是“APP更懂我”，但其实个性化推荐的过程不仅具有个体进化意义，还具有群体评估意义，就拿正文页末的“喜欢”、“不喜欢”按钮来说：

个体进化意义：当用户点击“喜欢”按钮时，是主动表达他喜欢这类内容，次数可以表示程度，用户画像得到完善，可加权推荐此类内容。

群体评估意义：当内容的“不喜欢”数累积到一定阈值，结合账号等级，内容将进入人工复审进行质量判断；若累积到一个高阈值，将直接下撤内容或回炉再造（大概率是降低体验感的差内容），起到维护内容生态的作用。

以上是智能推荐系统的整体概念，其中的去重、相似推荐、本地推荐、新文章冷启动、相关视频推荐等等，每一模块都可以是独立业务，精细化做起来都是满满的工作量，学无止境。

（推荐系统示例）

结语

引用闫泽华在《内容算法》里写的：

个性化的好：在既定的指标体系下，借助技术手段不断追求更好的数据表现，是生意。

好的个性化：在不改变用户目的的前提下，借助技术手段达成用户效率和体验提升，是理想。

 

本文由 @张小喵Miu 授权发布于运营派，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。